EXPLAINABLE AI NELLE RETI 6G T-NTN PER LA TRASMISSIONE EFFICIENTE IN SISTEMI DI TELEMEDICINA

Le reti mobili di sesta generazione (6G) integreranno infrastrutture terrestri e non terrestri (T-NTN) per supportare applicazioni avanzate di telemedicina e Internet of Medical Things (IoMT). In questi scenari, la limitata disponibilità di banda e i vincoli energetici dei dispositivi rendono necessario ridurre il volume di dati trasmessi senza compromettere le prestazioni dei modelli di intelligenza artificiale. Questa tesi analizza il contributo delle tecniche di Explainable Artificial Intelligence (XAI) alla riduzione del traffico di rete in applicazioni di telemedicina. Utilizzando il dataset audio Coswara, è stato addestrato un classificatore XGBoost su 32 feature acustiche estratte dai segnali respiratori. L’analisi tramite SHAP ha permesso di identificare un sottoinsieme di 8 feature che mantiene elevate prestazioni di classificazione, riducendo significativamente i requisiti di trasmissione. I risultati mostrano una riduzione in termini di bitrate e consumo energetico, evidenziando il potenziale delle tecniche XAI per migliorare l’efficienza delle comunicazioni in scenari 6G T-NTN.